Les techniques fondamentales du prompt engineering
L'ingénierie de prompt repose sur un ensemble de techniques dont la littérature spécialisée a stabilisé la terminologie. Il n'est pas nécessaire de les maîtriser toutes pour un usage professionnel efficace, mais il est indispensable d'en connaître les principales, ne serait-ce que pour comprendre pourquoi certaines formulations produisent des résultats radicalement supérieurs à d'autres. Je les présente ici dans un ordre qui n'est pas alphabétique mais pratique : du plus immédiatement utile au plus avancé.
Le persona (role prompting)
La technique consiste à assigner explicitement un rôle au modèle avant de lui soumettre une requête. « Tu es un avocat pénaliste spécialisé en droit de la presse » ne relève pas de la fiction : c'est une instruction qui reconfigure la distribution statistique des réponses. Le modèle, orienté vers un rôle précis, puise en priorité dans les données d'entraînement associées à ce champ d'expertise. L'effet est comparable à celui d'une consultation : on ne pose pas la même question de la même manière à un généraliste et à un spécialiste, et on n'obtient pas la même réponse.
Le persona ne se limite pas à l'expertise. Il peut inclure un niveau (« tu t'adresses à un praticien confirmé, pas à un étudiant »), un tempérament (« sois critique et signale les faiblesses de mon raisonnement ») ou une posture institutionnelle (« tu es un conseiller référendaire à la Cour de cassation qui rédige un rapport sur cette question »).
Le cadrage par l'exemple (few-shot prompting)
Le principe est simple : plutôt que de décrire abstraitement le format de réponse attendu, on en fournit un ou plusieurs exemples concrets dans le prompt lui-même. Le modèle, par construction statistique, reproduira la structure, le niveau de détail et le registre des exemples fournis.
Pour un juriste, cette technique est particulièrement efficace pour obtenir des fiches de jurisprudence homogènes. Plutôt que de demander « fais-moi une fiche de jurisprudence », on intègre au prompt un modèle :
À l'inverse, le zero-shot prompting désigne une requête sans exemple fourni, le modèle s'appuie uniquement sur ses instructions et ses données d'entraînement. C'est le mode par défaut de la plupart des utilisateurs. Il fonctionne pour les requêtes simples ; il devient insuffisant dès que le format attendu est spécifique.
Le raisonnement guidé (chain-of-thought prompting)
Cette technique consiste à demander explicitement au modèle de raisonner étape par étape plutôt que de livrer directement une conclusion. L'instruction peut être aussi simple que « raisonne étape par étape avant de conclure » ou « expose ton raisonnement avant de donner ta réponse ».
L'effet est documenté par la recherche en IA : les modèles qui « montrent leur travail » produisent des réponses significativement plus fiables sur les tâches de raisonnement complexe.
Pour le juriste, l'intérêt est double. D'une part, un raisonnement explicite est un raisonnement auditable, chaque étape peut être vérifiée indépendamment, ce qui rend les erreurs visibles là où une réponse directe les aurait dissimulées. D'autre part, cette technique est l'exact équivalent de ce que tout professeur de droit enseigne dès la première année : le syllogisme juridique. Majeure (la règle), mineure (les faits), conclusion (la solution). Demander à un LLM de raisonner en syllogisme, c'est lui imposer la discipline que le droit impose au juriste.
Les instructions négatives (negative prompting)
Dire au modèle ce qu'on ne veut pas est souvent aussi important que de lui dire ce qu'on veut. Cette technique est particulièrement utile pour prévenir les dérapages récurrents des LLM en matière juridique :
Les balises et délimiteurs (structured prompting)
Lorsqu'un prompt intègre plusieurs types d'information — des faits, des instructions, un format, des exemples —, le modèle peut les confondre. Les balises permettent de segmenter visuellement et logiquement les composantes du prompt :
La température et la créativité
Un dernier paramètre, rarement accessible dans les interfaces grand public mais qu'il faut connaître pour comprendre le comportement des modèles : la température. Ce réglage, exprimé par un chiffre généralement compris entre 0 et 1, détermine le degré de « créativité » du modèle, c'est-à-dire sa propension à s'écarter de la réponse statistiquement la plus probable.
Une température basse (proche de 0) produit des réponses prévisibles, répétitives, collées au plus probable. Une température élevée (proche de 1) autorise des associations plus libres, plus originales, mais aussi plus risquées. Pour un usage juridique, où la fiabilité prime sur l'originalité, une température basse est presque toujours préférable. Si l'interface que vous utilisez permet ce réglage, fixez-le aussi bas que le permet la tâche. Pour la recherche jurisprudentielle : température minimale. Pour un brainstorming d'arguments : vous pouvez vous autoriser un cran au-dessus.
Ce que la température illustre, au fond, c'est un principe général : un LLM n'est pas un outil à usage unique. C'est un instrument paramétrable, dont le comportement se configure, et dont le juriste doit devenir le régleur, pas le spectateur.